Emma Kondrup Anne Imouza

الملخص

مع التقدم السريع في نماذج اللغة الكبيرة (LLMs)، أصبح بإمكان الجمهور العام الآن الوصول بسهولة وبتكلفة منخفضة إلى تطبيقات قادرة على الإجابة على معظم الأسئلة المتعلقة بالصحة بطريقة شخصية. وقد أثبتت هذه النماذج تفوقها التدريجي، بل وتجاوزها للخبراء في بعض الجوانب الطبية. وتمتاز هذه النماذج بقدرتها الكبيرة في البيئات ذات الموارد المحدودة، نظرًا لتقديمها إمكانية الحصول على دعم صحي واسع الانتشار وشبه مجاني. ومع ذلك، فإن التقييمات التي تُغذّي هذه الدوافع تفتقر بشدة إلى رؤى حول الطبيعة الاجتماعية للرعاية الصحية، وتتجاهل الفجوات الصحية بين الفئات الاجتماعية، وكذلك كيف يمكن أن تُترجم التحيزات إلى نصائح طبية تُولَّد بواسطة نماذج LLM، مما يؤثر سلبًا على المستخدمين. نقدم تحليلًا استكشافيًا للإجابات التي تُولّدها نماذج LLM على سلسلة من الأسئلة الطبية التي تغطي مجالات سريرية رئيسية، حيث نُقلّد طرح هذه الأسئلة من قبل عدة ملفات مريض تختلف في الجنس، ونطاق العمر، والانتماء العرقي. وبمقارنة الخصائص اللغوية الطبيعية للإجابات المُولَّدة، نُظهر أن نماذج LLM، عند استخدامها لتوليد النصائح الطبية، تُنتج إجابات تختلف بشكل منهجي بين الفئات الاجتماعية. وتحديدًا، يحصل المرضى من أصل شعبي (أصلي) والمرضى من الفئة المختلطة الجنسية (المنتمين إلى جنس ثالث) على نصائح أقل سهولة في القراءة وأكثر تعقيدًا. ونلاحظ أن هذه الاتجاهات تتفاقم عند النظر إلى المجموعات المتشابكة اجتماعيًا (الIntersectional Groups). وبالنظر إلى التزايد المتواصل في الثقة التي يضعها الأفراد في هذه النماذج، ندعو إلى تعزيز مستوى التوعية بالذكاء الاصطناعي (AI Literacy)، وضرورة إجراء دراسات استقصائية ومبادرات تخفيف فورية من قبل مطوري الذكاء الاصطناعي، لضمان تقليل هذه الفروق النظامية، ومنع تحوّلها إلى دعم غير عادل للمريض. ويجدر بالذكر أن الشفرة البرمجية الخاصة بدراساتنا متاحة للجمهور على منصة GitHub.